sortasi

Prosiding Seminar Nasional Teknologi Inovatif Pascapanen untuk Pengembangan Industri Berbasis Pertanian

Balai Besar Penelitian dan Pengembangan Pascapanen Pertanian 1062

PENGEMBANGAN MESIN SORTASI DAN PEMUTUAN

OTOMATIS UNTUK BUAH MANGGA BERDASARKAN

EVALUASI MUTU MENGGUNAKAN PENGOLAHAN CITRA

Usman Ahmad

1, Jop Pramon

2 dan Hermansyah

2

1Departemen Teknik Pertanian, Fakultas Teknologi Pertanian, IPB

2Alumni Program Sarjana Departemen Teknik Pertanian, Fakultas Teknologi Pertanian, IPB

ABSTRAK

Sortasi dan pemutuan buah mangga ke dalam beberapa tingkat mutu sangat penting sebelum

penentuan harga. Di Indonesia sudah diketahui secara luas, bahwa hanya buah mangga mutu

terbaik yang dapat dijual kepada ekportir, sedangkan mutu kedua ke supermarket dan sisanya ke

pasar tradisional. Pedagang tidak akan memperoleh harga yang baik bila tidak melakukan sortasi

dan pemutuan dengan benar. Namun demikian, sortasi dan pemutuan yang dilakukan secara visual

dan manual seperti dilakukan saat ini hasilnya tidak konsisten akibat perbedaan persepsi tentang

mutu buah mangga oleh pekerja. Oleh karena itu, mesin sortasi dan pemutuan otomatis yang dapat

melakukan penilaian seperti yang dilakukan manusia, sangat diperlukan. Tujuan dari penelitian ini

adalah untuk membangun protoipe mesin sortasi dan pemutuan otomatis untuk buah mangga, yang

menggunakan pengolahan citra dalam mengevaluasi mutu buah mangga. Untuk analisis citra

digunakan sebuah kamera warna CCD, sebuah komputer dengan kartu penangkap citra, dan

program komputer untuk melakukan pengolahan citra. Mesin sortasi dan pemutuan otomatis terdiri

dari unit pengumpan, konveyor sabuk, unit penangkap dan pengolah citra, batang pendorong, unit

penampung, motor listrik, komputer untuk mengendalikan kamera dan motor melalui kartu

interface, dan kerangka mesin tempat semua komponen tersebut dipasang. Dari percobaan

diketahui bahwa program komputer pengolah citra yang dibuat dapat membedakan mutu buah

melalui analisis ukuran, warna, dan tekstur permukaan kulit buah. Hasilnya memperlihatkan

bahwa mangga Arumanis dapat digolongkan menjadi tiga kelompok mutu berdasarkan area dan

fitur tesktur dari analisis citra, dengan ketepatan 69,4%. Mangga Gedong dapat digolongkan

menjadi dua kelompok mutu berdasarkan warna kulitnya, dengan ketepatan 74,3%. Namun

demikian kinerja prototipe mesin yang dibangun masih rendah akibat adanya masalah pada unit

pengumpanan, yang kadang-kadang harus dibetulkan dengan meletakkan buah mangga pada posisi

yang diinginkan di atas konveyor.

Kata kunci : pengolahan citra, mangga, sortasi dan pemutuan

ABSTRACT

Sorting and grading of mango fruits into several quality grades is very important before pricing. Its

is common in Indonesia that best quality mango fruits usually go to exporter, good quality ones go

to supermarket, and the rest go to the traditional market. Fail in sorting and grading activity causes

disadvantage, which is not able to sell the fruits in their best price. However, sorting and grading

of mango fruits visually and manually by the workers, as practiced today, is subject to

inconsistency because of different perception of the quality by different workers. Therefore,

automatic sorting and grading machine for mango fruits that can immitate human ability in judging

the quality of the mango is necessary. The objective of this research is to develop a prototype of

automatic sorting and grading machine for mango fruits which employs image processing analysis

in the mango quality evaluation. Used for image analysis are a CCD color camera, a computer

with image frame grabber, and a computer program for image processing. The automatic sorting

and grading machine is consist of feeding hoper, belt conveyor, image acquisition system, pushing

poles, buckets, electric motor, computer to control the camera and the electric motor through an

interfacing card, and body frame to which all the components attached. From the experiment, it

was found that the computer program can distinguish different quality of mango fruits by

analyzing their size, color, and texture of the skin. The results showed that Arumanis mangoes can



be graded into three quality grades using area and textural features of image analysis, with

accuracy level of 69.4%. Gedong mangoes can be graded into two quality levels using color of

skin, with accuracy level of 74.3%. However, the performance of the prototype is still low due to

the problem found in the feeding hover, which sometimes failed to put the mango in the preferred

position on the conveyor.

Keywords: image processing, mango, sorting and grading

PENDAHULUAN

Selama ini sortasi dan pemutuan buah-buahan, termasuk buah mangga, masih dilakukan

secara manual yang bersifat subyektif dan menghasilkan produk dengan mutu yang

beragam. Subyektifitas ini dapat dihindarkan dengan mengembangkan suatu metode

pemutuan untuk mensortasi dan mengelompokkan buah-buahan berdasarkan mutunya

dengan baik. Selainn itu, untuk meningkatkan produktivitas dan mutu produk dalam suatu

proses produksi, dalam hal ini buah mangga, diperlukan penerapan otomatisasi.

Otomatisasi yang menggunakan komputer sebagai pusat pengendali sangat membantu

manusia dalam menggantikan tugas yang tidak mungkin dilakukan oleh manusia karena

keterbatasan kemampuan dan waktu. Dengan menerapkan otomatisasi di bidang pertanian

ini diharapkan dapat meningkatkan produktivitas kerja, ketelitian dan mutu produk yang

dihasilkan sehingga mampu bersaing di pasar internasional.

Salah satu alternatif penerapan otomatisasi dalam penanganan pascapanen

mangga adalah dengan penggunaan mesin yang dilengkapi dengan sensor kamera dan

pengolahan citra (image processing) yang bersifat tidak merusak (non-destructive)

sehingga mesin dapat bekerja secara otomatis dalam melakukan evaluasi mutu dan

mengelompokkannya. Pengolahan citra merupakan salah satu sistem visual buatan yang

menggunakan kamera CCD (charge coupled device) sebagai sensor optik. Dengan alat ini

dan program komputer pengolahan citra, kita dapat dengan mudah mengevaluasi buah

berdasarkan ukuran, warna dan bentuk termasuk bercak-bercak yang terdapat pada

permukaan buah yang ditangkap. Dengan demikian dapat dilakukan penilaian secara

obyektif dan konsisten, sehingga diharapkan akan diperoleh hasil pemutuan yang seragam

dengan tingkat kesalahan yang dapat diterima.

Tujuan penelitian ini secara umum adalah untuk mengembangkan mesin sortasi

dan pemutuan buah mangga segar dengan pengolahan citra. Tujuan penelitian secara

khusus adalah:

a. Membangun program pengolahan citra yang dapat menganalisis citra buah mangga

secara langsung (real time) untuk penentuan mutu berdasarkan penampilannya.

b. Merancang dan membangun prototipe mesin sortasi buah mangga berdasarkan

evaluasi mutu menggunakan pengolahan citra.

Mutu dan rasa buah yang matang tergantung dari tingkat ketuaan atau kemasakan

buah pada saat dipanen. Buah mangga tergolong dalam buah klimakterik karena buah ini

dapat memasuki stadium matang dalam beberapa hari secara alamiah bila cukup tua

waktu dipetik. Tingkat ketuaan atau kemasakan buah mangga dapat ditentukan

berdasarkan umur buah dalam hari setelah bunga mekar (Broto, 1994), bentuk buah,

tangkai buah, lapisan lilin dan lenti sel pada kulit buah.

Karakteristik buah mangga yang sudah dapat dipanen adalah pada waktu sudah

ada satu atau dua buah mangga yang masak telah jatuh dari pohonnya, sedangkan untuk

buah masak adalah apabila dipegang terasa lebih lunak, telah ada perubahan warna, yaitu

menjadi kuning atau kemerahan tergantung varietasnya.

Pemilihan mangga dapat dilakukan secara visual dengan melihat bentuk fisik,

sifat fisik, warna kulit serta ukuran buahnya. Pemilihan ini dilakukan untuk memisahkan



mangga matang dari mentah, mangga cacat dari yang sehat, mangga abnormal dari yang

normal dan mengkelaskannya berdasarkan parameter mutu yang disyaratkan.

Pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak

melibatkan persepsi visual. Citra yang digunakan adalah citra digital, karena citra jenis ini

dapat diproses oleh komputer digital. Citra digital dapat diperoleh secara otomatis dari

sistem perangkat citra digital yang melakukan pemindaian citra membentuk suatu matrik

dimana elemen-elemennya menyatakan nilai intensitas cahaya pada suatu lingkungan

diskrit dari titik.

Persepsi warna dalam pengolahan citra tergantung kepada tiga faktor yaitu

pemantulan warna, kandungan warna dari cahaya dan kemampuan merespon warna.

Model warna telah banyak dikembangkan oleh para ahli seperti model RGB (Red, Green,

Blue), model CMY (K) (Cyan, Magenta, Yellow), YCbCr (luminasi, dan dua komponen

krominasi) dan HSI (Hue, Saturation, Intensity). Model warna RGB merupakan model

warna pokok aditif yaitu warna dibentuk dengan mengkombinasikan energi cahaya dari

ketiga pokok dalam berbagai perbandingan dan banyak digunakan dalam rancangan

perangkat keras video.

Tekstur merupakan salah satu karakteristik yang penting yang digunakan dalam

mengidentifikasi suatu obyek melalui permukaannya dalam citra. Pengukuran tekstur

dilakukan dengan menggunakan empat belas fitur yang diperkenalkan oleh Haralick et.al.

(1973). Empat fitur diantaranya adalah energi, kontras, homogenitas dan entropi.

BAHAN DAN METODA

Bahan yang digunakan dalam penelitian ini adalah mangga Arumanis dan

mangga Gedong gincu kualitas ekspor dengan berbagai kelas mutu serta buah yang tidak

termasuk dalam kriteria ekspor (kelas reject). Mangga ini diperoleh dari pedagang

pengumpul besar di Indramayu.

Perangkat keras yang digunakan untuk pengolahan citra adalah kamera CCD

digital berwarna VED model OC-305 D dan seperangkat komputer yang dilengkapi

dengan kartu penangkap citra (image frame grabber), sebuah lampu TL 20 watt dan kain

berwarna hitam sebagai penutup agar cahaya dari luar tidak dapat masuk. Beberapa

perangkat keras lainnya juga digunakan untuk pengukuran secara langsung yaitu

timbangan digital untuk mengukur berat buah.

Untuk pembuatan prototipe mesin sortasi dan pemutuan digunakan bahan-bahan

konstruksi seperti besi siku, pelat besi, karet konveyor, motor listrik, puli, solenoid dan

lain-lainnya. Mekanisme kontrol komponen-komponen pada mesin dilakukan melalui

kartu interface dan kotak sirkuit. Perangkat lunak untuk melakukan pengolahan citra dan

kontrol terhadap semua komponen pada mesin sortasi dan pemutuan, digunakan program

komputer yang dibangun dengan bahasa C.

Program pengolahan citra dibangun untuk dapat melakukan pengambilan dan

pengolahan citra buah mangga, sekaligus melakukan kontrol terhadap komponen dari

mesin sortasi, yaitu sebuah motor listrik dan tiga buah solenoid. Pengolahan citra

dilakukan secara langsung meliputi perhitungan area, indeks RGB dan empat fitur tekstur.

Citra mangga dalam berbagai tingkatan kelas mutu diambil dengan menggunakan

kamera CCD. Citra buah mangga direkam dan diolah secara otomatis dengan resolusi

256x192 piksel dan 256 tingkatan intensitas cahaya merah, hijau dan biru (RGB).

Pengukuran area dilakukan dengan terlebih dahulu mengubah citra warna menjadi citra

biner untuk membedakan obyek dan latar belakang melalui proses thresholding.

Intensitas warna diukur dengan menggunakan model warna RGB. Pengukuran intensitas

warna RGB dilakukan dengan cara membentuk suatu jendela obyek sebagai sampel

dengan ukuran 70x50 piksel untuk mangga Arumanis dan 60x45 untuk mangga Gedong.

Letak jendela yang dibentuk adalah pada bagian tengah obyek. Pengukuran tekstur



dilakukan pada jendela dengan ukuran yang sama dengan yang digunakan dalam

pengukuran intensitas warna.

Proses pemutuan dilakukan setelah didapatkan interval atau batasan nilai tertentu

berdasarkan analisis statistik data parameter mutu yang telah didapat. Batasan nilai ini

diharapkan dapat mengklasifikasikan buah pada tingkatan kelas yang berbeda-beda.

Pemutuan secara manual didapat berdasarkan karakteristik buah pada tiap tingkatan kelas

mutu yang diperoleh dari pedagang buah mangga di Indramayu sesuai dengan kriteria

yang telah mereka tetapkan.

Prototipe mesin sortasi dibangun dengan mengutamakan desain fungsional, terdiri

dari unit pengumpan, unit perekam dan pengolah citra, unit penyalur dan unit penggerak.

Semua unit, kecuali unit perekam dan pengolah citra, dikontrol oleh komputer melalui

kartu interface, sedangkan unit perekam dan pengolah citra dikontrol oleh komputer

melalui kartu penangkap citra yang dihubungkan ke kamera.

HASIL DAN PEMBAHASAN

1. Pembuatan Perangkat Lunak

Dalam penelitian ini, program komputer yang dibuat dapat melakukan perekaman dan

pengolahan citra secara langsung. Setelah perekaman citra dilakukan tanpa perlu

menyimpannya terlebih dahulu (real time). Pengambilan data dilakukan pada tiap sampel

yang meliputi data area, intensitas warna yang ditandai dengan indeks RGB dan empat

macam fitur tekstur (kontras, homogenitas, energi dan entropi) untuk setiap tingkatan

kelas mutu yang berbeda. Penentuan tingkatan mutu secara manual telah dilakukan

berdasarkan kriteria yang ditetapkan oleh pedagang mangga. Algoritma pengolahan citra

meliputi pengambilan citra, binerisasi berdasarkan intensitas warna merah dengan nilai

threshold tertentu, labeling, perhitungan area, penentuan titik tengah obyek, perhitungan

indeks RGB dan perhitungan fitur tekstur. Tampilan program yang sedang berjalan

diperlihatkan pada Gambar 1, di mana terlihat citra buah mangga yang baru ditangkap

terlihat pada jendela kiri bawah, sedangkan jendela kanan bawah memperlihatkan obyek

setelah proses binerisasi.

Pemutuan yang dilakukan oleh pedagang pada buah mangga Arumanis

berdasarkan ukuran pada tiap buah yang menghasilkan tiga tingkatan mutu yaitu mutu I,

II dan III serta satu kelompok yang tidak memenuhi syarat yang disebut kelas reject.

Buah yang dikategorikan kelas reject adalah buah yang mempunyai cacat pada

permukaan, terdapat bagian tertentu yang mengalami kebusukan, bentuk buah yang

abnormal, dan ukuran buah yang sangat kecil dan tidak memenuhi syarat. Pemutuan

mangga Gedong pada tingkat pedagang berdasarkan warna buah yang menghasilkan dua

tingkatan mutu yaitu mutu I dan II serta kelas reject. Buah yang tergolong mutu I adalah

buah yang permukaannya berwarna merah jingga dengan pucuk merah kekuningan.

Semakin rendah intensitas warna merahnya maka mutu semakin rendah hingga buah yang

seluruh permukaannya masih berwarna hijau yang tergolong kelas reject.



Gambar 1. Program pengolah citra sedang menangkap citra buah

mangga melalui kamera CCD sekaligus

menganalisinya

Dari data hasil pengolahan citra pada citra mangga pada berbagai tingkatan mutu,

dapat ditentukan faktor pembeda pada tiap tingkatan kelas yang selanjutnya disebut

sebagai parameter pemutuan. Pada mangga Arumanis didapatkan parameter pemutuan

yang digunakan adalah area buah. Pengolahan data dilakukan dengan perhitungan

statistik standar deviasi untuk menentukan nilai ambang bawah dan ambang atas untuk

masing-masing tingkatan mutu. Tabel 1 merupakan hasil perhitungan rata-rata, standar

deviasi, nilai maksimum dan nilai minimum pada data area mangga Arumanis dengan

tiga tingkatan mutu yang berbeda, sedangkan garis batas antar kelas mutu diperlihatkan

pada Gambar 2.

Tabel 1. Penentuan batas antar kelas mutu pada area mangga Arumanis

Parameter Statistik Mutu

I II III

Rata-rata (piksel) 12772 10054 8680

Std. deviasi (piksel) 1196 807 593

Maksimum (piksel) 16194 11773 10069

Minimum (piksel) 10787 8543 7703

Batas bawah (piksel) 11000 9300 -

Batas atas (piksel) - 11000 9300



6

8

10

12

14

16

18

0 1 2 3 4

Mutu

Are

a (ribu p

iksel)

Gambar 2. Batas antar kelas mutu pada mangga Arumanis berdasarkan area

Indeks warna RGB pada ketiga macam kelas tidak berbeda nyata yaitu berkisar

antara 0,4-0,25. Dengan demikian indeks warna tidak dapat digunakan sebagai parameter

pemutuan pada buah mangga Arumanis. Pada fitur tekstur, hanya nilai kontras yang

menunjukkan beda nyata antara buah kelas I, II, III dengan buah kelas reject. Kontras

menunjukkan perbedaan lokal dalam citra, sehingga perbedaan antara kulit mangga yang

mulus dengan kulit mangga yang cacat dapat terdeteksi, dan hal ini menandakan bahwa

kulit mangga tersebut mempunyai tanda-tanda cacat. Nilai kontras yang tinggi

menunjukkan jumlah perbedaan lokal yang tinggi (warna tidak rata akibat adanya getah

atau kerak pada kulit mangga). Buah mutu I, II dan III mempunyai nilai kontras rata-rata

di bawah 0,6 sedangkan buah reject mempunyai nilai kontras rata-rata di atas 0,6. Nilai

batasan ini didapat dari rata-rata antara nilai ambang atas kontras pada mutu I, II dan III

dengan nilai ambang bawah kontras pada kelas reject. Tabel 2 adalah hasil perhitungan

rata-rata, standar deviasi, nilai maksimum dan nilai minimum pada data fitur tekstur

kontras pada mangga Arumanis dengan empat tingkatan mutu yang berbeda, sedangkan

Tabel 2. Penentuan batas antar kelas mutu pada fitur tekstur kontras

mangga Arumanis

Parameter Statistik Mutu

A B C Reject

Rata-rata 0,4603 0,5459 0,5117 0,8427

Std. Deviasi 0,1285 0,1170 0,0938 0,3721

Maksimum 0,7886 0,8546 0,7371 2,0443

Minimum 0,2934 0,3349 0,3594 0,3691

Batas Bawah - 0,6000

Batas Atas 0,6000 -

I II III

I

II

III



0

0,5

1

1,5

2

2,5

0 1 2 3 4 5

Mutu

Kontr

as

Gambar 3. Batas antar kelas mutu pada mangga Arumanis berdasarkan nilai kontras

Gambar 3 memperlihatkan garis pemisah antara mangga mutu I, II, dan III dengan kelas

reject. Fitur lainnya dari tekstur, yaitu homogenitas, energi dan entropi, tidak

menunjukkan perbedaan yang jelas sehingga nilai dari masing-masing fitur tekstur ini

tidak dapat digunakan sebagai parameter pemutuan.

Pada buah mangga Gedong parameter pemutuannya adalah intensitas warna pada

masing-masing buah. Area tidak berpengaruh dalam pemutuan mangga Gedong. Indeks

warna yang sangat berpengaruh dalam pemutuan adalah indeks warna merah. Tabel 3

menampilkan hasil perhitungan rata-rata, standar deviasi, nilai maximum dan nilai

minimum pada data indeks warna merah pada mangga Gedong dengan tiga tingkatan

mutu yang berbeda.

Tabel 3. Penentuan batas antar kelas mutu pada indeks warna merah mangga

Gedong

Parameter Satistik Mutu

I II Reject

Rata-rata 0,3651 0,3461 0,3142

Std. Deviasi 0,0155 0,0131 0,0227

Maksimum 0,3893 0,3742 0,3452

Minimum 0,3305 0,3207 0,2711

Ambang Bawah 0,3500 0,3300 -

Ambang Atas - 0,3500 0,3300

Pada mangga Gedong hasil pemutuan hanya dapat menghasilkan dua kelas mutu

yaitu I dan II serta satu kelompok buah reject. Dari perhitungan statistik standar deviasi

dapat ditentukan nilai ambang bawah dan ambang atas yang kemudian dapat digunakan

untuk menentukan batasan nilai indeks warna merah untuk tiap mutu. Mutu I mempunyai

indeks warna merah lebih besar atau sama dengan 0.35, mutu II antara 0.35 dan 0.33 serta

kelas reject dengan indeks warna merah kurang dari 0.33 (Gambar 4).

I II III reject

reject

I, II, III



0,25

0,27

0,29

0,31

0,33

0,35

0,37

0,39

0,41

0 1 2 3 4

Mutu

Indek

s w

arna

mer

ah

Gambar 4. Batas antar kelas mutu mutu pada mangga Gedong berdasarkan indeks

warna merah

Setelah didapatkan nilai-nilai batas antar kelas mutu untuk masing-masing

parameter pemutuan, selanjutnya nilai-nilai tersebut dimasukkan ke dalam program

sortasi yang kemudian dapat digunakan untuk melakukan proses pengolahan citra

sekaligus proses pemutuan buah. Pengujian sortasi tetap menggunakan sampel yang

sama. Hasil pemutuan menggunakan pengolahan citra dibandingkan dengan pemutuan

secara manual. Hasil perbandingan pemutuan mangga Arumanis secara manual dengan

pemutuan menggunakan program pengolahan citra berdasarkan parameter area dan fitur

kontras dapat dilihat pada Tabel 4. Secara umum hasil sortasi dan pemutuan mangga

Arumanis dengan menggunakan program pengolahan citra sesuai dengan hasil sortasi dan

pemutuan yang dilakukan secara manual dengan tingkat keberhasilan rata-rata sebesar

69.4%.

Tabel 4. Perbandingan antara pemutuan secara manual dengan pemutuan menggunakan

pengolahan citra pada mangga Arumanis

Pemutuan manual Pemutuan dengan Program

Total I II III Reject

I 34 (85 %)

1

(2.5%)

- 5

(12.5%)

40

(100%)

II 5

(12.5%) 18

(45%)

4

(10%)

13

(32.5%)

40

(100%)

III - 5

(12.5%) 29

(72.5%)

6

(15%)

40

(100%)

Reject - 1

(2.5%)

9

(22.5%) 30

(75%)

40

(100%)

Hasil perbandingan sortasi dan pemutuan secara manual dengan pemutuan

menggunakan program sortasi pengolahan citra pada mangga Gedong berdasarkan indeks

warna merah dapat dilihat pada Tabel 5. Untuk mangga Gedong, bila dibandingkan

dengan hasil sortasi dan pemutuan manual, tingkat keberhasilan rata-rata sebesar 74.32%.

I II reject

I

II

reject



Tabel 5. Perbandingan antara pemutuan secara manual dengan pemutuan menggunakan

pengolahan citra pada mangga Gedong

Pemutuan manual Pemutuan dengan program

Total I II Reject

I 25 (100%)

- - 25

(100%)

II 7

(29.2%) 7

(29.2%)

10

(41.6%)

24

(100%)

Reject 1

(4%)

1

(4%) 23

(92%)

25

(100%)

2. Pembuatan Prototipe Mesin Sortasi dan Pemutuan

Prototipe mesin sortasi dan pemutuan yang dibangun merupakan penyempurnaan dari

sistem sortasi yang telah dibangun sebelumnya (Ahmad et al., 2004). Prototipe mesin

terdiri dari unit pengumpan berupa piringan berputar, unit perekam dan pengolah citra

berupa ruang gelap yang ditutup kain hitam dengan penerangan khusus, unit penyalur

berupa konveyor sabuk terbuat dari karet dan dilengkapi tiga buah batang pendorong,

serta unit penggerak berupa motor listrik tiga fase, dapat dilihat pada Gambar 5.

Gambar 5. Gambar piktorial dan foto mesin sortasi dan pemutuan buah mangga otomatis

Seluruh bagian dari mesin berjalan secara otomatis di bawah kendali satu

program komputer, yaitu program yang sama dengan yang digunakan untuk melakukan

penangkapan dan analisis citra seperti telah diperlihatkan di depan. Ketika pertama kali

dijalankan, program akan mengaktifkan motor listrik selama beberapa detik. Perputaran

motor akan menyebabkan unit pengumpan berputar dan menjatuhkan sebuah mangga ke

atas unit penyalur. Motor listrik akan kembali diaktifkan sehingga unit penyalur kembali

bergerak sejauh 30 cm dan membawa buah mangga ke dalam unit penangkapan dan

pengolahan citra. Di sini citra buah mangga ditangkap dan dianalisis untuk dihitung area,

indeks warna, dan fitur teksturnya. Hasil analisis citra adalah status mutu buah mangga

yang berada di ruang penangkapan dan pengolahan citra, apakah mutu I, II, III, atau

reject. Motor kembali diaktifkan dan unit penyalur kembali bergerak 30 cm sehingga

buah mangga yang berikutnya masuk ke dalam ruang penangkapan dan pengolahan citra,

sementara buah sebelumnya yang sudah dianalisis keluar seiring dengan pergerakan unit

penyalur. Semenatara buah yang baru masuk akan dianalisis, buah yang baru keluar akan



mengalami salah satu kejadian berikut; bila mutu I, ia akan langsung didorong masuk ke

kotak pertama oleh batang pendorong yang digerakkan oleh solenoid, dengan cara

memberi aliran listrik yang dapat dilakukan oleh program komputer melalui kartu

interface dan kotak sirkuit, bila mutu II, buah akan dibiarkan mengikuti gerak berikutnya

dari unit pengumpan sehingga berada di depan kotak kedua, kemudian didorong oleh

batang pendorong kedua, bila mutu III buah akan dibiarkan mengikuti gerak berikutnya

dari unit pengumpan sehingga berada di depan kotak ketiga, kemudian didorong oleh

batang pendorong ketiga, terakhir bila mutu reject, buah akan dibiarkan mengikuti gerak

berikutnya dari unit pengumpan sehingga jatuh di ujung unit pengumpan dan masuk ke

kotak keempat. Mekanisme ini berlangsung terus selama mangga yang berada di unit

pengumpan belum habis, dan tidak terjadi kemacetan akibat penumpukan buah di sana.

Bila tidak ada kemacetan, kapasitas mesin adalah 200 buah/jam.

KESIMPULAN

1. Teknik pengolahan citra dapat digunakan untuk melakukan penilaian terhadap mutu

buah mangga Arumanis dan Gedong berdasarkan beberapa parameter mutu visual

yang biasa digunakan dalam pemutuan secara manual.

2. Prototipe mesin sortasi dan pemutuan yang dibangun dapat berjalan secara otomatis

meski dengan kecepatan yang masih rendah yaitu sekitar 200 buah/jam.

3. Ketepatan kinerja dibandingkan kinerja manual adalah 69,4% untuk mangga Arumanis

dan 74,3% untuk mangga gedong.

4. Masalah yang belum dapat diatasi adalah peluang bertumpuknya buah mangga di

sekitar saluran keluar dari unit pengumpan, sehingga menimbulkan kemacetan dan

mesin harus dihentikan dan buah mangga harus ditata ulang.

DAFTAR PUSTAKA

Ahmad, U., Subrata, IDM dan Gunayanti, S. 2004. Pemutuan buah mangga berdasarkan

penampakannya menggunakan pengolahan citra. J. Keteknikan Pertanian, Vol. 18

No. 1. Departemen Teknik Pertanian IPB, April 2004.

Broto, W. 1994. Budidaya dan Pasca Panen Mangga. Pusat Perpustakaan Pertanian dan

Komunikasi Penelitian , Bogor.

Haralick, R.M., K. Shanmugam and I. Dinstein. 1973. Textural features for image

clasification. IEEE Trans. On System, Man and Cybernetics. 3(6): 610-621

Pracaya. 1985. Bertanam Mangga. PT Penebar Swadaya. Jakarta.

sortasi

Documents